[논문 리뷰] A Residual Encoder-Decoder Network for Segmentation of Retinal Image-Based Exudates in Diabetic Retinopathy Screening

Malik Abdul Manan, Tariq Khan외 3명|arXiv (Cornell University)|2022. 01. 16.

Retinal Imaging and Analysis인용 수 5

한 줄 요약

이 논문은 당뇨성 망막병증 스크리닝에서 망막 출현물의 자동 분할을 위한 잔차 인코더-디코더 컨volution 신경망(_RTC-Net_)을 제안한다. 잔차 스킵 연결과 데이터 증강을 활용함으로써 모델은 후처리 없이도 높은 정확도의 픽셀 단위 분류를 달성하며, 세 가지 벤치마크 데이터셋에서 98–99%의 정확도와 92–97%의 민감도를 기록한다.

ABSTRACT

Diabetic retinopathy refers to the pathology of the retina induced by diabetes and is one of the leading causes of preventable blindness in the world. Early detection of diabetic retinopathy is critical to avoid vision problem through continuous screening and treatment. In traditional clinical practice, the involved lesions are manually detected using photographs of the fundus. However, this task is cumbersome and time-consuming and requires intense effort due to the small size of lesion and low contrast of the images. Thus, computer-assisted diagnosis of diabetic retinopathy based on the detection of red lesions is actively being explored recently. In this paper, we present a convolutional neural network with residual skip connection for the segmentation of exudates in retinal images. To improve the performance of network architecture, a suitable image augmentation technique is used. The proposed network can robustly segment exudates with high accuracy, which makes it suitable for diabetic retinopathy screening. Comparative performance analysis of three benchmark databases: HEI-MED, E-ophtha, and DiaretDB1 is presented. It is shown that the proposed method achieves accuracy (0.98, 0.99, 0.98) and sensitivity (0.97, 0.92, and 0.95) on E-ophtha, HEI-MED, and DiaReTDB1, respectively.

연구 동기 및 목표

• 망막 출현물의 자동 분할을 위한 강력한 딥 러닝 모델을 개발하기 위해.
• 특수한 신경망 아키텍처를 통해 저대비, 소형 출현물 및 변동성이 큰 형태의 망막 영상에서 발생하는 과제를 해결하기 위해.
• 출현물 탐지 파이프라인에서 수동 전처리 또는 후처리 단계가 필요 없도록 하기 위해.
• 잔차 학습과 타겟된 이미지 증강 기법을 활용하여 분할 성능을 향상시키기 위해.
• 일반화성과 임상적 관련성을 확보하기 위해 다수의 공개 망막 영상 데이터베이스에서 방법을 검증하기 위해.

제안 방법

• 제안된 아키텍처는 공간적 세부 정보를 유지하고 기울기 소실 문제를 완화하기 위해 스킵 연결을 사용하는 잔차 인코더-디코더 네트워크(_RTC-Net_)이다.
• 모델은 출현물의 의미적 분할을 위해 픽셀 단위 교차 엔트로피 손실 함수를 사용하여 엔드 투 엔드로 훈련된다.
• 모델 일반화 능력을 향상시키기 위해 데이터 증강 전략이 적용되며, 특히 희귀하거나 작은 출현물 패턴에 대해 유리하다.
• 모델은 학습된 무늬와 강도 특징을 기반으로 각 픽셀을 출현물 또는 비출현물로 분류함으로써 의미적 분할을 수행한다.
• 안정적인 훈련을 위해 확률적 경사 하강법과 가중치 감쇠, 배치 정규화를 사용하여 아키텍처가 최적화된다.
• 전처리(예: 혈관 마스킹) 또는 후처리(예: 형태학적 필터링)가 적용되지 않아 청소된 추론 파이프라인을 보장한다.

실험 결과

연구 질문

• RQ1 잔차 인코더-디코더 네트워크는 기존의 지도학습 및 비지도학습 방법과 비교해 우수한 출현물 분할 성능를 달성할 수 있는가?
• RQ2 잔차 연결과 데이터 증강의 통합이 저대비, 이질적인 망막 영상에서 분할 정확도와 강건성을 어떻게 향상시키는가?
• RQ3 제안된 모델은 다양한 공개 망막 영상 데이터베이스에서 이미지 품질과 애너테이션 기준이 상이한 환경에서도 얼마나 잘 일반화되는가?
• RQ4 임상 영상 분석 파이프라인에서 전처리 또는 후처리 단계 없이도 모델이 높은 민감도와 특이도를 유지할 수 있는가?
• RQ5 기본 데이터셋에서 정확도, 민감도, 특이도, 딱스 유사도 계수 측면에서 모델의 정량적 성능는 어떠한가?

주요 결과

• 제안된 RTC-Net은 DiareTDB1 데이터셋에서 98%의 정확도와 95%의 민감도를 기록하여 이전 최고 성능 모델을 초월했다.
• E-ophtha 데이터셋에서는 99%의 정확도와 92%의 민감도를 달성하여 임상적으로 관련성이 높은 데이터셋에서 강력한 성능를 입증했다.
• HEI-MED 데이터셋에서는 98%의 정확도와 97%의 민감도를 기록하여 다양한 데이터 분포에서의 강건성을 확인했다.
• DiareTDB1에서 딱스 유사도 계수는 0.94, E-ophtha에서는 0.97, HEI-MED에서는 0.96를 기록하여 지표와의 높은 겹침을 나타냈다.
• 정밀도, 특이도, AUC 측면에서 기존 접근법을 모두 능가했으며, DiareTDB1에서 정밀도 0.92, 특이도 0.99를 기록했다.
• 전처리 또는 후처리 단계가 없음에도 불구하고 성능에 손상이 없었으며, 이는 모델의 내재된 일반화 능력을 강조한다.